SAS的ANOVA（正式）.ppt

协方差分析 消除初始体重影响的另一种方法是对最终体重与初始体重的差值即y-x 进行统计分析。这种方法与协方差分析的生物学意义是不同的。对差值进行分析的生物学假设是初始体重对以后的体重增量没有任何影响，而协方差分析则是假设体重增量中包含初始体重的影响（不仅仅是初始体重对最终体重的影响），这种影响的大小与初始体重成正比。如果这一比值为1，协方差分析与对差值进行方差分析是相同的。但如果比值不为1，它们的结果将是不同的。也就是说协方差分析是假设使初始体重不同的因素在以后的生长过程中也会发挥作用，而对差值进行方差分析是假设这些因素以后不再发挥作用；这两种生物学假设是有很大区别的。希望同学们在以后的学习中注意统计学知识背后的研究假设。 协方差分析 由于协方差分析的过程包含了对协变量影响是否存在及其大小等一系列统计检验与估计，它显然比对差值进行分析等方法有更广泛的适用范围，因此除非有明显证据说明对差值进行分析的生物学假设是正确的，一般情况下还是应采用协方差分析的方法。 协方差分析 在医学研究中，很多情况下都需要借助协方差分析来排除非处理因素的干扰从而准确地估计处理因素的试验效应。例如，评价三种药物治疗高脂血症的效果，寻求各方面自然条件基本相同的受试者是很困难的，但是把患者的年龄、体重指数、用药前的血脂水平等作为协变量进行协方差分析就简单很多。同样，比较几种不同营养奶粉对婴幼儿体重增长的作用差异，把研究对象的性别、年龄、基线体重等混杂因子作为协变量进行协方差分析是非常有效的统计分析方法。 例题（完全随机设计） 为研究某降血糖药物的有效性及其合用盐酸二甲双胍片的有效性，选择收治90名2型糖尿病患者，并采用随机对照试验，分为三个治疗组，第一组为该降糖药组，第二组为盐酸二甲双胍片组，第三组为该降糖药+盐酸二甲双胍片组，每组30名患者，治疗3个月，主要有效性指标为糖化血红蛋白。测得每个患者入组前（X）和3个月后（Y）的糖化血红蛋白含量（％），试分析三种治疗降糖化血红蛋白的效果是否不同。 例题（随机区组设计） 为研究三种饲料对增加大白鼠体重的影响，有人按随机区组设计将初始体重相近的36只大白鼠分成12个区组，再将每个区组的3只大白鼠随机分入A、B、C三种饲料组，但在实验设计时未对大白鼠的进食量加以限制。三组大白鼠的进食量（X）和所增体重（Y）的原始资料，现欲推断三组大白鼠增重的总体均数是否有差别，同时要扣除进食量因素的影响。 本章小节 方差分析的基本思想是根据研究目的和设计类型，将总变异中的离均差平方和SS及其自由度分别分解成相应的若干部分，然后求各相应部分的变异；再用各部分的变异与组内（或误差）变异进行比较，得出统计量F值；最后根据F值的大小确定P值，作出统计推断。 方差分析的应用条件为：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等，即方差齐性。 完全随机设计是采用完全随机化的分组方法，将全部试验对象分配到k个处理组，各组分别接受不同的处理，试验结束后比较各组均数之间的差别有无统计学意义，推论处理因素的效应。 本章小节 随机区组设计是根据“局部控制”和“随机排列”原理进行的，将研究对象按性质不同划分为等于重复次数的区组，使区组内环境差异最小而区组间环境允许存在差异，每个区组即为一次完整的重复，区组内各处理都独立地随机排列。这是随机排列设计中最常用、最基本的设计。 将k个不同符号排成k列，使得每一个符号在每一行、每一列都只出现一次的方阵，叫做k×k拉丁方。应用拉丁方设计（latin square design）就是将处理从纵横二个方向排列为区组(或重复)，使每个处理在每一列和每一行中出现的次数相等（通常一次），即在行和列两个方向都进行局部控制。所以它是比随机区组多一个方向局部控制的随机排列的设计，因而具有较高的精确性。 本章小节 如果试验所涉及的处理因素的个数≥2，当各因素在试验中所处的地位基本平等，而且因素之间存在1级(即2因素之间)、2级(即3因素之间)乃至更复杂的交互作用时，需选用析因设计。析因设计的缺点是当因素个数较多时（三个因素以上），所需实验单位数、处理组数、实验次数和方差分析的计算量剧增。减少多因素实验次数的有效方法是采用正交设计。 本章小节 重复测量是指对同一观察对象的同一观察指标在不同时间点上进行多次测量，用于分析观察指标在不同时间上的变化规律。这类测量资料在医学研究中比较常见。重复测量设计大体有两类。一类是对每个人在同一时间不同因子组合间测量；另外一类是对每个人在不同时间点上重复。具有重复测量的设计，即在给予某种处理后，在几个不同的时间点上从同1个受试对象(或样品)身上重复获得指标的观测值；有时是从同1个个体的不同部位(或组织)上重复获得指标的观测值。由于这种设计符合许多医学试验本身的特点，故在医学科研中